<p>當 AI 生成內容快速普及，品牌正在迎來一場新的危機：不是不會做內容，而是太會做、做太多。 《Fast Company》指出，2025 年 J.Crew 與 Vans 的聯名球鞋上市，卻因疑似 AI 生成怪異手指、扭曲陰影與不自然人體比例的廣告圖成為網路迷因；玩具反斗城用 AI 復刻的懷舊動畫也因生硬表現被嘲笑。這類「AI Slop」（AI 垃圾）充斥網路、不帶情感或文化理解的廣告內容如潮水般湧現，可能正悄悄侵蝕品牌影響力。 AI 讓廣告高度個人化，卻帶來「訊息碎裂」的新風險 《BBC》報導指出，AI 的大量分析，已經有能力針對受眾的生活狀態與心理輪廓微調到極致，生成千萬種「個人化」廣告，客製化每個觀眾喜歡的顏色、常哼的音樂、習慣的用詞等等。 理論上，這種深度個人化應讓廣告更有效、更切中需求，然而，越來越多案例顯示，當內容被切割得過細，反而讓品牌訊息失去核心，廣告變成只能打動「那一個人」的孤島式訊息，甚至迅速被遺忘。而且當內容碎片化、不連貫，AI 廣告甚至可能呈現僵硬、不自然的語句或影像，變成明顯經過演算法拼貼、卻缺乏人味的廣告內容。 AI 的精準洞察和「被侵犯感」只有一線之隔 這股趨勢也帶來更深層的倫理與信任危機。當廣告被「算得太準」，消費者對自身被理解的程度開始感到不安。AI 不只是知道你喜歡什麼，還知道你最近是否有安排假期、是否剛搬家、快結婚，甚至推測你的心理狀態等。這些洞察可能讓消費者有「被侵犯感」，甚至讓消費者懷疑品牌是否正在利用情緒弱點進行操控，加深心理負擔。 此外，許多 AI 個人化模式仍依賴以往廣告業者難以觸及的資料層級，涉及情緒分析、語意推測與行為線索萃取，可能增加企業的合規壓力。歐盟、英國與更多市場都已開始針對 AI 行銷進行討論，未來監管的力道勢必加強。品牌若在這些議題上走得太快或太冒進，不僅會引起消費者反感，也可能面臨法律風險與信任度下滑的雙重衝擊。 AI 讓內容大爆發，品牌反而更需「出版社式的策展能力」 在這個生成洪流時代，真正需要被強化的不是創作速度，而是「策展能力」，這是一種更接近出版社的角色心態。 出版社每天收到無數投稿，真正的價值不在於印刷，而是選擇、編輯、審核與確保內容與品牌聲音一致。品牌今天面臨的挑戰亦同：AI 可以一秒產出你要的三十個版本、三百個標題、三千張圖片，但品牌的價值在於確定哪些內容值得說、哪些語氣符合品牌、哪些影像不會削弱文化理解與真實感。 策展是一種重新掌握主導權的過程，它避免 AI 讓品牌變得機械、分裂或無感。它要求行銷團隊在大量生成之後，投入更多洞察、判斷與文化敏銳度，反而強化品牌的一致性與辨識度。 未來的行銷競爭，將不再比誰能做出最多內容，而是比誰能做出最能代表自己的內容。真正能在 AI 汪洋中保持清晰輪廓的品牌，將會是那些善用 AI 放大創意，同時以精準策展維繫信任與情感連結的品牌。AI 能讓聲音變大，但是否保有靈魂，仍取決於品牌自己。 ＊本文開放合作夥伴轉載，參考資料：《BBC》、《Fast Company》、《AdWeek》，首圖來源：Unsplash （責任編輯：廖紹伶）</p>
<p>全方位光電整合解決方案供應商富采，攜手全球分析平台領導者 SAS 打造端到端 AI 研發平台，在 MicroLED 與光電半導體製程快速演進、資料量倍增的環境下，共同整合跨站製程資料，以 AutoML 與可解釋 AI，協助研發團隊快速建模、預測與回饋製程，大幅縮短研發週期並提升良率。此合作成功協助富采在研發到製造的各階段建立資料血緣、提升製程可預測性與效率，使其成為半導體業導入 AI 的先行者與技術典範，也為後進企業提供可實踐的智慧製造示範路徑。 端到端 AI 研發平台成形 從資料整合到模型部署的完整協作架構 長期深耕 MicroLED 與光電半導體製程的富采，面對製程快速演進、產線資料量與製程參數同步倍增，近年積極推動研發流程的數位升級，但由於資料分散於不同設備與格式，跨站追溯與關鍵因子分析始終耗時。以 MOCVD（有機金屬化學氣相沉積）為例，其反應爐參數幾乎決定晶片效率，但工程師往往要等到晶圓走完整個流程後才能確認問題，不僅製程週期被迫拉長，前段、中段到封裝資料難以串接，也使良率下降的根因常延後才浮現。 在製程複雜度與市場反應要求同步升高的背景下，富采需要不只是更快的建模工具，而是一套能整合完整製程資料鏈、協助研發團隊快速建立模型，並將研發知識以系統化方式延續下去的 AI 研發平台。因此，富采選擇與 SAS 共同建構一套從資料整合、模型建立到製程部署的完整 AI 研發平台。合作成果使富采能以跨站視角進行分析、導入虛擬量測、提升設備穩定性，並讓研發決策真正邁向數據驅動。此模式逐步成為半導體 AI 應用的重要參考架構。 富采資訊長趙紘慶表示，富采尋求的不僅是單一 AI 工具，而是能「與團隊一起解決問題」的策略夥伴。SAS 在技術完整度、資料科學方法論以及顧問團隊的深度輔導，都能在真實場景中產生可驗證的價值。SAS Viya 提供從資料整理、模型訓練到部署的統一平台，搭配 AutoML 降低建模門檻、可視化介面提高模型可解釋性，以及可與即時製程調整控制（Run-to-Run Control）、製造執行系統（MES）彈性整合的容器化部署能力，讓研發流程可以真正串接起來 SAS 台灣總經理龔律安指出，這次合作的核心目的，是讓富采累積多年的製程 know-how 能被系統化保存並複製到不同製程與場域。他強調，導入 AI 的目的並不是要讓工程師成為資料科學家，而是讓既有製程 know-how 能被更有效地量化、傳承與複製。SAS 透過跨產業的分析經驗與標準化平台能力，協助企業將研發與製造經驗量化、模型化並得以被持續驗證，使資料驅動的決策模式更穩定也更可擴展。 AI 助攻製程優化：提升良率、加速研發並升級跨站協作 此次合作使富采在研發與製造端獲得顯著成效。透過 SAS Viya 所建立的虛擬量測（VM）模型，工程師可以在投片即時利用 MOCVD 參數預測晶片效率，大幅縮短製程週期、減少試作成本並提升製程穩定性。同時，富采更以模型量化設備老化狀態及零件更換週期，透過模型與製程調控機制比對，使設備在維護後能否恢復正常運作得以迅速確認，而不再只依賴人工經驗推估。 […]</p>
<p>近日 Google 正式推出一款無程式碼（no-code）自動化平台 Workspace Studio，賦予使用者利用 Gemini 3 模型的強大推理與多模態理解能力，可以在 Workspace 生態系統中輕鬆創建、設計、管理並共享 AI 代理（AI Agent）。 Workspace Studio 目前主要鎖定 Workspace Business 與 Enterprise 等企業級方案的客戶。Google 強調 Workspace Studio 像一個完整的「代理建置工作室」，而非零散的功能模組，並允許企業大規模生產並治理這些 AI 助手，讓沒有程式設計背景的工作者，也能在幾分鐘內建立符合自身業務需求的 AI 代理。 為何 Workspace Studio 會出現？Google 想解決 AI 代理「沒人用」的企業痛點 Workspace Studio 的推出之所以重要，是因為儘管 AI 代理已成趨勢、企業興趣激增，但卻一直面臨無法讓員工真正使用 AI 代理工具的困境。《VentureBeat》指出，主要問題在於傳統的 AI 代理經常打斷員工既有的工作流程，強迫使用者跳轉到全新介面、切換不同工具或重新輸入資訊，導致工作者往往傾向放棄使用。 此外，在介面設計上，目前多數 AI 代理仍主要透過聊天介面進行操作，對於許多日常行政或文書工作者而言，單純的對話框並不直觀，且缺乏與文件處理、電子郵件或雲端硬碟等日常應用程式深度整合的現狀，導致難以取得必要的上下文，進一步加深企業內部採用 AI 代理的阻力。 Workspace Studio 的解方：讓 AI 代理真正融入日常工作流程 […]</p>
<p>當越來越多消費者在某些查詢情境中，從 Google 轉向 ChatGPT 尋找答案時，品牌的可見性正從傳統搜尋引擎，快速轉移到 AI 模型的推薦結果中。這個根本性的轉變，讓一家來自柏林的新創公司 Peec AI，成為歐洲最受矚目的新創獨角獸候選人之一。 過去二十年來，Google 幾乎壟斷了消費者的搜尋行為，品牌投入大量資源進行搜尋引擎優化（SEO），爭奪關鍵字排名。然而，越來越多消費者開始透過 ChatGPT 等 AI 對話型介面尋找產品推薦和解決方案，而非使用傳統搜尋引擎。這種行為轉變意味著，品牌的曝光度不再由搜尋引擎的演算法決定，而是取決於 AI 模型如何理解、整合並呈現資訊。 Peec AI 精準抓住了這個轉折點。這家成立僅十個月的公司，已經吸引了 1,300 家企業和代理商使用其平台，年經常性收入突破 400 萬美元。他們的核心價值主張很簡單：為品牌提供在 AI 搜尋結果中的曝光監控與優化工具。 協助品牌釐清 AI 究竟如何看待品牌 如果說 SEO 是為了在 Google 上取得好排名，那麼生成式引擎優化（GEO）就是為了在 AI 搜尋結果中脫穎而出。Peec AI 提供的核心服務包含品牌監控、排名變化追蹤、用戶情緒分析，以及最關鍵的資訊來源追蹤。透過這些數據，行銷團隊能夠了解 AI 模型是如何「看待」他們的品牌，以及這些觀點是基於哪些資訊來源。 與傳統 SEO 工具最大的差異在於，Peec AI 的儀表板是以「搜尋提示（Prompts）」為核心，而非關鍵字。客戶可以追蹤多達 25 到 100 個提示詞，監測品牌在這些查詢中的表現。 更重要的是，平台不只提供數據，還能將洞察轉化為具體的行動建議。例如，如果一家 CRM 公司想要在「適合快速成長公司的最佳 CRM」這類查詢中獲得推薦，Peec AI 可能會建議他們積極參與 […]</p>
<p>在全球製造業積極投入 AI 與自動化的同時，落差也變得愈來愈明顯。一邊是企業高層對預測維護、智慧排程與機器人的高度期待；另一邊則是現場工廠的系統老舊、組織文化僵化、資料品質不足，使得 AI 專案常陷入「推不動」的困境。 諮詢公司 Gartner 近期對 128 名全球製造與供應鏈決策者的調查顯示，近半企業對未來三年的製造策略沒有信心，甚至有三分之二坦言其營運模式尚未準備好迎接 AI 與自動化技術。 這些數據揭露了一個關鍵：AI 在製造業失敗的原因，並非因為技術不到位，而是整個工廠的營運邏輯沒有同步升級。 資料品質參差不齊、系統各自為政，是 AI 應用的最大障礙 對多數製造企業而言，「想做的 AI」與「能做的 AI」常常是兩件事。工廠普遍希望用 AI 進行設備維護、良率預測、自動排程，甚至期待未來能靠自主工廠實現最小人力監管，然而若缺乏基礎資料品質、系統整合與跨部門流程協作，這些願景終究無法落地。 尤其資料問題最普遍也最棘手，來自製造現場的感測器常出現缺值、誤差或命名不一致，許多資料缺乏上下文，例如班別、工單類型、設備狀態等資訊，使 AI 模型缺乏關鍵的解讀基礎。當資料品質不佳時，模型只能得出不可靠的建議，造成 AI 有在運作，但沒有產出實質價值的假象。 另外，系統割裂更是導致 AI 專案無法擴散的主因之一。許多工廠雖導入局部自動化、設備監控系統或雲端平台，但 OT（Operational Technology）與 IT（Information Technology）依舊處於不同世界。由於現場 PLC、SCADA、MES 與企業端 ERP 之間沒有一致的資料管線，導致 AI 難以取得全局視角。 這種缺乏標準化與互通性的情況，使得 AI 試點只能侷限於單一產線、單一工廠，很難複製到其他場域。 不只技術要進步，組織文化也要跟上 更深層的阻礙來自文化與組織。Gartner 指出，製造業的決策層長期受「成本控管」思維框架影響，導致其治理結構難以支持敏捷、跨部門協作的 AI 專案。許多工廠仍採高度集中式控管，現場團隊缺乏試錯與調整流程的權限，使 AI 只能成為管理階層的報告工具，而不是現場改善的真正助力。 更重要的是，操作員常擔心 AI 或自動化威脅到其工作，而不願採納新工具；IT 與生產端的語言差異也讓專案溝通不良。這類結構性的摩擦，使導入 AI […]</p>
<p>滙豐集團（HSBC）近日宣布與法國 AI 新創公司 Mistral AI 建立為期多年的策略性合作夥伴關係，並計畫引入 Mistral 的商業 AI 模型，以全面支援銀行業務發展。 根據雙方的合作協議，滙豐不僅將獲得 Mistral 現有模型與未來更新版本的使用權，Mistral 的應用 AI、科學與工程團隊也將與滙豐的技術團隊緊密協作，共同開發專屬的生成式 AI 解決方案。《Financial Times》指出， Mistral AI 作為一家領先的法國 AI 公司，此次合作將協助滙豐把這些先進 AI 模型廣泛應用在全球多個市場與營運場景中，展現傳統金融機構積極擁抱新技術的決心。 採用自主託管模式，強化數據隱私 在合作內容之外，模型的部署方式也成為此次合作的亮點。為了確保數據安全與技術掌控權，並降低對外部雲端巨頭的過度依賴，滙豐在部署時明確採取自主託管（self-hosted）AI 模型的模式，這也意味著 Mistral AI 的商業模型及其未來的升級版本，將直接運行於滙豐的內部技術環境中，而非單純依賴外部 API 或雲端服務。 Mistral AI 執行長 Arthur Mensch 強調，這種「高度客製化、企業級」的解決方案，能讓銀行在重塑工作流程的同時，確保對數據擁有「完全的所有權」。滙豐集團指出，這樣的合作模式能將生成式 AI 深度「內建於銀行自身的技術系統中」，確保與現有基礎設施的無縫整合，並在強化風險管理、詐欺偵測以及合規流程的同時，嚴格遵守最高的透明度與數據隱私標準。 實際應用場景：文件分析、財務審查、跨語言處理與客戶服務 針對實際應用場景，滙豐表示 Mistral AI 的模型將被優先用於處理文件與數據密集型的客戶借貸決策上，因為 AI 能協助信用團隊快速解析複雜的交易文件與合約，大幅縮短財務分析及審查的時間，進一步減輕員工處理繁瑣行政工作的負擔。 除了後台分析，與 Mistral AI 的合作也將深度賦能前線與營運團隊。在行銷與客戶關係方面，生成式 AI 將支援團隊撰寫高度客製化的溝通訊息，並協助行銷部門推出超個人化的活動，以提升客戶互動品質。同時，採購團隊也將利用 AI […]</p>
<p>AWS 本週在拉斯維加斯舉辦一年一度的 AWS re:Invent 2025，一口氣丟出超過 30 項與生成式 AI、代理式 AI 相關的新服務與更新。對企業來說，這不只是又一場雲端新品發表，而是亞馬遜試圖用「從模型、晶片到資料中心」的全端架構，搶占下一輪 AI 代理與基礎建設商機。 這場基礎建設佈局的核心，可以濃縮成三個亮點：全新 Nova 大型語言模型家族、自研 Trainium3 AI 處理器與下一代 Trainium4 路線圖，以及把雲端算力打包成「AI Factory」的整套方案。 亮點一：Nova Forge 客製能力受矚、AI 前沿代理上線 這次 re:Invent 上，AWS 把自家 Nova 模型直接升級到第二代，推出 Nova 2 Lite、Nova 2 Pro、Nova 2 Sonic 與 Nova 2 Omni 四款前沿模型，主打「推理能力」與「代理式任務處理」。 Nova 2 Lite 被定位為價格效能比最高的推理模型，能處理文字、圖片與影片輸入並產生文字輸出，被 AWS 形容為未來企業在大量上線應用時的主力。官方評估指出，Nova 2 Lite 在多數基準測試上，表現與 Claude 4.5 Haiku、GPT-5 […]</p>
<p>如果你近期在職場上看到內容空洞，顯然是由 AI 生成且未經修飾的低品質內容，那你可能已經遇到了所謂的「AI 垃圾」（AI Slop）。從社群平台的假圖、假音樂，到企業內部的低品質簡報、未經檢查的報告，這些表面看似可用、實則無法推進工作的內容，正悄悄侵蝕組織效率。 《Business Insider》報導，AI 技能平台 Multiverse 的最新研究發現，要解決這種低投入、低品質產出的問題，關鍵在於鼓勵員工進行「工作重塑」（job crafting）。 主動重塑工作流程，激發創造力與動力 Multiverse 認為，AI 垃圾是「使用者投入程度不足」的症狀，而不是技術本身的缺陷。其研究指出，當員工開始圍繞著 AI 工具主動重塑自己的角色，而不僅僅是利用 AI 來加速完成手邊的任務時，他們在工作中的參與度和積極性都會顯著提升。這種深度的 AI 協作模式，被其證實與更高的專注力、精力投入以及工作承諾感有著密切的關聯 。 研究團隊將這樣的員工行為稱為「工作重塑」（job crafting）。它不只是改用新工具，而是重新審視工作內容，調整流程、補上理解、提出更好的問題，並把 AI 整合進自己的工作方式之中。Multiverse 的組織心理學家 Barry Goulding 解釋，工作重塑的差別在於從「這是我的工作」轉為「我能怎麼用 AI 把這份工作做得更好」。 Multiverse 分析近 300 位來自金融、政府、科技等產業、並已使用生成式 AI 半年以上的英國全職員工後發現，主動運用 AI 重塑工作的員工，不僅更投入，也更能察覺錯誤、質疑模型邏輯，並提高最終成果的品質。 是否投入 AI 並非自動產生，而是取決於意圖 更有趣的是，這份研究挑戰了大眾普遍認為「AI 會讓人變得不思考」的觀點。儘管過去包括 MIT、Oxford 在內的研究確實發現，AI 有可能降低人們的深度思考程度，但 Multiverse 認為，這完全取決於使用方式：若只是把 AI 當作低努力的自動化工具，參與度確實會下降；但如員工主動與 AI 深度協作，反而會提升投入程度與思考密度。 對企業而言，這意味著使用 […]</p>
<p>《Bloomberg》報導，AI 掀起的熱潮正體現在各地拔地而起的 AI 資料中心。根據 BloombergNEF 估算，如果把資料中心視為一個「國家」，到 2035 年，它們將成為僅次於美國、中國、印度的全球第 4 大用電消耗國。 這波建設熱潮背後不只是一連串投資狂潮，更反映 AI 運算需求的結構性轉變，並將在未來十年深刻改寫能源市場、地緣布局與氣候政策。 AI 資料中心與一般資料中心有何不同？ 報導分析，傳統資料中心容納伺服器、配電設備、冷卻系統與備援設施，主要負責儲存資料、提供雲端服務或運算需求。而 AI 資料中心是一種「超級版」資料中心。 AI 資料中心的規模大幅升級，面積可比肩紐約中央公園；運算密度極高：因為 AI 使用加速器以平行方式推理與訓練，單位面積內的電力與冷卻需求大幅提升；巨量能源需求：先進 AI 運算園區往往需要 GW 級電力，相當於 75 萬個美國家庭的耗電量。 AI 資料中心的浪潮規模有多大、誰在引領熱潮？ 這些數字可能大到讓人難以想像。光是 Bloomberg Intelligence 估計，生成式 AI 到 2032 年可能創造約 2 兆美元的收入；OpenAI 執行長奧特曼曾表示，公司預計在基礎建設上投入「數兆」美元；星際之門計畫目標打造最高 10 吉瓦以上的 AI 算力，並在美國投入高達 5,000 億美元；Meta 更在美國路易斯安那州建造一座容量 5 吉瓦的 AI 資料中心園區，並表示自家 AI 平台嚴重缺乏算力，今年資本支出將達 720 […]</p>
<p>擁有千萬會員的遠東集團旗下紅利點數平台－鼎鼎聯合行銷 HAPPY GO 將原本偏向單波段操作的行銷工具，全面升級至 SAS Customer Intelligence 360（CI360）。在新架構下，行銷活動可依據即時反應自動調整，使活動規劃與執行速度提升 4 至 5 倍，並以更精準、更敏捷、更具溫度的方式與會員互動。 擴大規模、深化體驗 HAPPY GO 邁向精準行銷的新階段 HAPPY GO 多年前即導入 SAS 行銷自動化工具，整合分散的客戶資料，協助團隊快速挑選受眾與追蹤成效，成功改善早期資料繁雜、流程仰賴人工的挑戰。隨著會員從 300 萬成長至突破千萬、行銷通路與活動複雜度也大幅提升，既有架構已難以支撐規模化需求。鼎鼎聯合行銷數據長黃士峰表示：「過去的 SAS 行銷自動化工具協助我們打下資料整合基礎，但要同時支援跨通路協作、即時資料回收與完整旅程設定，系統必須升級，才能讓行銷團隊真正把時間放在策略與內容創意上。」 SAS 台灣總經理龔律安指出：「行銷的核心目標從來不是單純的自動化，而是在提升企業的營收表現與成本效率之上，建立可信任的 AI 行銷流程。面對生成式 AI 的快速發展，我們更重視模型能否被監控、被解釋，以及是否能真正協助行銷人員的決策，這也正是我們與 HAPPY GO 合作深化的方向。」 導入 SAS Customer Intelligence 360 打造可串接、可追蹤、可調整的智慧行銷平台 SAS CI360 補足了 HAPPY GO 過去在資料回收、AI 應用與多波段自動化上的挑戰。行銷團隊能在單一介面掌握受眾資料，並依據不同行為自動推動後續旅程；無論是簡訊、社群媒體或 POS 行為，都能即時回傳成為下一波推播依據，真正實現「即時調整」的行銷運作模式。 CI360 也讓行銷團隊能一次設計完整客戶旅程，並依據「有回應」「未回應」「點擊商品」等行為自動分流後續路徑，免去過去逐段設定的負擔。混合雲架構則提供彈性，可在雙 11 等高峰期仰賴雲端擴充運算，地端則確保個資安全與合規。 效率、策略與體驗並進 SAS Customer Intelligence 360升級帶來的全方位成效 CI360 上線後，HAPPY GO 在行銷效率、策略能力以及顧客體驗上皆獲得實質提升。過去需人工逐段設定的多波段流程，現在只需在起點一次設計就能自動推動，使活動規劃與執行速度提升四至五倍，行銷時程從數天縮短至數小時。因此，行銷團隊得以從操作導向轉為旅程設計導向的思維，將更多心力投入策略發展、內容創意與旅程設計，而不再被繁瑣流程綁住。 另一方面，HAPPY […]</p>
<p>「AI 眼鏡是真正引領人工智慧時代人機互動革命的智慧設備，從這個意義上講，它們的重要性不亞於手機，」阿里巴巴近日罕見跨足消費級硬體領域，推出首款 AI 眼鏡 Quark AI Glasses，集團副總裁吳嘉在發表會上特別強調 AI 眼鏡在 AI 時代的重要意義，也展現阿里巴巴正試圖將自身的 AI 能力，從雲端擴展到消費級 AI 市場的新路徑。 Quark AI 眼鏡上市的背後，也象徵阿里巴巴正在展開一場重大的戰略新佈局。駐北京的電子產業分析師 Li Chengdong 形容，阿里巴巴的 AI 眼鏡戰略，主要是希望在中國電子商務領域的激烈競爭中，獲取未來的「流量入口」，並期待 AI 能成為阿里巴巴下一代的「流量門戶」。 Quark AI 眼鏡整合阿里巴巴生態系，就像一位「個人 AI 助理」 Quark AI 眼鏡系列有兩款產品，分別鎖定不同使用情境：旗艦級 S1 型號售價為人民幣 3,799 元，主打完整功能與高階硬體；入門與生活應用導向的 G1 型號則以 1,899 元人民幣的價格，提供相對輕量的選擇。 此外， S1 內建 micro-OLED 半透明顯示器、鏡片內建攝影鏡頭，以及骨傳導麥克風，強調多場景使用的便利性。相較之下，G1 的設計更著重輕量化，因此更適合作為日常佩戴型的輕量入門選項。 Quark AI 眼鏡的核心競爭力來自阿里巴巴的 Qwen AI 模型，核心功能圍繞「日常生活中的智慧、免手持 AI 輔助」而設計，例如使用者只需透過鏡頭拍攝商品，眼鏡便會自動連接至阿里巴巴的購物平台淘寶，並顯示該商品的即時價格，同時也能以語音向虛擬助理提問，或在會議中由 […]</p>
<p>麻省理工學院近期發布最新研究，透過與橡樹嶺國家實驗室合作開發的「Iceberg Index」（冰山指數）模擬工具，指出 AI 目前已經具備取代美國 11.7% 勞動力的能力。 這項研究顯示，AI 帶來的影響遠遠超越過去的預測。這 11.7% 的勞動力，其對應的年薪資價值約為 1.2 兆美元，衝擊範圍橫跨金融、醫療保健和服務等白領職場。研究人員將這個計算模式稱為「冰山指數」（Iceberg Index），代表 AI 技術上已經具備的潛在自動化能力，這是一個前瞻性的視角，衡量了 AI 系統今日就能夠執行哪些技能和任務。 相較之下，如果僅觀察目前 AI 在運算和科技領域的實際採用情況，那麼 AI 對勞動力的影響僅約為 2.2%，相當於 2,110 億美元的薪資價值，這只不過是「冰山的尖端」。 「冰山指數」的價值：看見傳統自動化預測中最容易被忽略的區域 研究指出，AI 帶來的自動化影響並非僅限於科技圈，而是涵蓋傳統上被視為例行性、可標準化的工作，特別是行政、財務、人力資源、物流以及辦公室行政管理等領域的，受到的衝擊特別劇烈，這些產業類別也通常是在傳統自動化預測中，容易被忽略的區域。 例如，過往人們普遍認為 AI 帶來的風險將集中在沿海科技中心，但模擬結果顯示，暴露於 AI 風險的職位遍佈美國 50 個州，包括通常被排除在 AI 討論之外的內陸和鄉村地區，像是俄亥俄州、密西根州與田納西州等「鐵鏽地帶」（Rust Belt states）。 「冰山指數」的價值在於，如果我們只看鐵鏽地帶工廠的技術部門，AI 影響很小；但如果我們看工廠後方的辦公室，在那裡進行的財務、行政和協調工作，AI 已經有能力接手，這對整個地區的就業版圖將會構成潛在威脅。 MIT 的冰山指數結果意味著，AI 對勞動力的重塑是潛在且結構性的，可能改變整個白領、行政、財務和服務行業的人力需求格局。雖然經濟學家 Allison Shrivastava 認為目前的裁員潮可能源於疫情後的大規模過度招聘，但現實是許多企業正寄望透過 AI 來實現成長，且無需增加員工人數。這樣的說法，反而使 AI 帶來的結構性影響更加明顯。 目前田納西州、北卡羅來納州和猶他州已經與 MIT 合作，使用冰山指數來預測 […]</p>
<p>根據 IDC 最新研究，全球企業正積極導入 AI 代理、資料應用、雲端和基礎設施的創新解決方案，並預測邊緣運算支出將從 2025 年的 2,610 億美元，成長至 2028 年的 3,800 億美元。因應此趨勢，如何透過更強大的邊緣運算能力與更多感測器的終端設備，完成複雜的本地分析、加速決策，並有效強化資安、降低成本，已是企業追求轉型發展不可忽視的關鍵。高通日前針對「引領 AI 新賽局：打造軟硬整合的企業 AI 核心引擎」進行分享，剖析最新 AI 市場發展趨勢，以及企業級邊緣 AI 運算軟硬整合的具體解決方案。 「高通提供的不只是一個 Solution 或一顆晶片，我們談的是完整的邊緣 AI 生態系」，高通業務副總裁吳南億致詞表示，從雲端、邊緣 AI（Edge AI）再到本地 AI（On-Prem AI），高通深度著墨各項技術，並且積極協助百工百業導入 AI 解決方案，與此同時，也持續思考如何滿足 to B 端及 to C 端的顧客需求。隨著更多企業加速推動轉型，需要透過裝置收集數據資料，接著在雲端訓練模型、將應用推入裝置，這些過程皆仰賴裝置端的 AI 解決方案。高通提供完整技術，橫跨運算、藍牙、嵌入式物聯網等關鍵領域，能有效助力企業全面提升營運效能。針對全球策略布局，高通更藉由收購 Foundries.io、Edge Impulse、Arduino 等公司來打造完整的開發者生態系，讓開發者與合作夥伴將 AI 模型部署到各種裝置中，將創意轉化為具體產品與服務。 企業如何重新定義自己的 AI 投資建設 KPMG 安侯建業數位長暨合夥人賴偉晏在演講中指出，「90% 的企業 AI 投資皆為失敗收場，原因包括資金與人才不足，因此對於決策者而言，需要重新定義你的 AI 投資建設。」 […]</p>
<p>當美國科技巨頭正在為打造 AI 超級智慧而築起專利高牆時，一場無聲的基礎設施重心移轉正在矽谷發生。 知名風投公司 Andreessen Horowitz（a16z）合夥人 Martin Casado 近期向《經濟學人》揭露了一份令美國不安的數據：a16z 收到的 AI 新創計畫中，高達 80% 美國公司正在使用中國開發的開源模型。這顯示美國 AI 新創生態系的底層架構，正在大幅轉向中國。 數據也證實了這股趨勢。根據麻省理工學院（MIT）與全球最大開源模型庫 Hugging Face 的聯合研究指出，在過去一年中，中國製造的 AI 開源模型佔全球下載總量的 17%，首度超越了美國開發商（如 Google、Meta 和 OpenAI）的 15.8%。 美國新創為何湧向中國開源 AI？原因不是政治，而是現實 第一，《VC Cafe》分析，對於新創公司來說，選擇開源或開放模型，往往出於生存和效率考量。其中，以成本效益來看，中國模型比西方模型有更高的「cp 值」；再者，開放模型具有可控性，能讓使用者更輕鬆地根據應用情境調整細節；開源模型也能幫助使用者直接在地端運行 AI 工具，而不只依賴專有的雲端服務；此外，開源模型可接受更廣泛的社群審查和改進，進而加速 AI 發展。 第二，全球正進入「影片生成」的新戰場，這股轉向在各類模型中都能看出端倪，尤其是中國。根據 Hugging Face 的 2025 年資料，雖然美國仍是多數 AI 模型類別的主要開發者，但在影片生成模型的「下載量」上，中國明顯占據主導地位。 西方領先的影片生成模型包括 OpenAI 的 Sora 2 與 Google 的 Veo3，而以色列 Lightricks 推出的 […]</p>
